1.一種基于視頻信息的交通運(yùn)動(dòng)目標(biāo)分類方法，其特征在于，包括：
獲得視頻信息文件中的圖像序列；
針對(duì)所述圖像序列，建立背景模型，獲得每一幀圖像的目標(biāo)背景；
根據(jù)獲得的目標(biāo)背景，檢測(cè)所述圖像序列中每一幀圖像的交通運(yùn)動(dòng)目標(biāo)；
提取所述圖像序列中每一幀圖像的交通運(yùn)動(dòng)目標(biāo)的特征點(diǎn)，獲得相應(yīng)的特征描述子；
將所述圖像序列的每一幀圖像的特征描述子進(jìn)行聚類，形成視覺詞典，每個(gè)聚類中心對(duì)應(yīng)所述視覺詞典中的一個(gè)視覺單詞；
根據(jù)所述視覺詞典中每個(gè)視覺單詞出現(xiàn)的頻率，確定每一幀圖像中交通運(yùn)動(dòng)目標(biāo)的類別。
2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述針對(duì)所述圖像序列，建立背景模型，獲得每一幀圖像的目標(biāo)背景，包括：
針對(duì)所述圖像序列的每一幀圖像的每一個(gè)像素點(diǎn)，根據(jù)該像素點(diǎn)的像素值，確定該像素點(diǎn)的當(dāng)前高斯分布；
將所述當(dāng)前高斯分布與預(yù)先建立的該像素點(diǎn)對(duì)應(yīng)的混合高斯模型中的每一個(gè)歷史高斯分布進(jìn)行匹配；
如果所述當(dāng)前高斯分布與所述混合高斯模型中的任意一個(gè)歷史高斯分布均不匹配，且所述歷史高斯分布的個(gè)數(shù)小于預(yù)設(shè)第一閾值，則將所述當(dāng)前高斯分布增加到所述混合高斯模型中；
如果所述當(dāng)前高斯分布與所述混合高斯模型中的任意一個(gè)歷史高斯分布均不匹配，且所述歷史高斯分布的個(gè)數(shù)等于所述預(yù)設(shè)第一閾值，則將所述當(dāng)前高斯分布替換所述混合高斯模型中優(yōu)先級(jí)最小的歷史高斯分布；
如果所述當(dāng)前高斯分布與所述混合高斯模型中的至少一個(gè)歷史高斯分布匹配，則更新歷史高斯分布的相應(yīng)參數(shù)；
根據(jù)更新后的混合高斯模型中高斯分布的優(yōu)先級(jí)，選擇權(quán)重值之和大于預(yù)設(shè)第二閾值的高斯分布，建立背景模型，獲得目標(biāo)背景。
3.根據(jù)權(quán)利要求1或2所述的方法，其特征在于，所述根據(jù)獲得的目標(biāo)背景，檢測(cè)所述圖像序列中每一幀圖像的交通運(yùn)動(dòng)目標(biāo)，包括：
針對(duì)所述圖像序列的每一幀圖像，根據(jù)獲得的該幀圖像的目標(biāo)背景，通過背景差分法獲得該幀圖像的運(yùn)動(dòng)前景區(qū)域；
在該幀圖像的運(yùn)動(dòng)前景區(qū)域中進(jìn)行交通運(yùn)動(dòng)目標(biāo)檢測(cè)。
4.根據(jù)權(quán)利要求3所述的方法，其特征在于，所述在該幀圖像的運(yùn)動(dòng)前景區(qū)域中進(jìn)行交通運(yùn)動(dòng)目標(biāo)檢測(cè)，包括：
針對(duì)所述圖像序列中連續(xù)的N幀圖像，對(duì)相隔一幀的兩幀圖像做差，得到多個(gè)幀差結(jié)果，所述N為預(yù)設(shè)值；
將每個(gè)幀差結(jié)果同中間幀和背景幀的幀差做與運(yùn)算，獲得多個(gè)與運(yùn)算結(jié)果；
將所有的與運(yùn)算結(jié)果進(jìn)行或運(yùn)算，將或運(yùn)算結(jié)果確定為交通運(yùn)動(dòng)目標(biāo)。
5.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述提取所述圖像序列中每一幀圖像的交通運(yùn)動(dòng)目標(biāo)的特征點(diǎn)，獲得相應(yīng)的特征描述子，包括：
根據(jù)所述圖像序列構(gòu)建高斯金字塔圖像模型，獲得高斯差分金字塔圖像；
計(jì)算所述高斯差分金字塔圖像中的局部極值點(diǎn)，將計(jì)算得到的局部極值點(diǎn)確定為候選極值點(diǎn)，并計(jì)算相應(yīng)的尺度；
擬合所述候選極值點(diǎn)，獲得所述圖像序列中所述運(yùn)動(dòng)目標(biāo)的特征點(diǎn)的位置和尺度；
根據(jù)所述特征點(diǎn)的位置和尺度，確定所述特征點(diǎn)對(duì)應(yīng)的特征描述子。
6.一種基于視頻信息的交通運(yùn)動(dòng)目標(biāo)分類裝置，其特征在于，包括：
圖像序列獲得模塊，用于獲得視頻信息文件中的圖像序列；
目標(biāo)背景獲得模塊，用于針對(duì)所述圖像序列，建立背景模型，獲得每一幀圖像的目標(biāo)背景；
交通運(yùn)動(dòng)目標(biāo)檢測(cè)模塊，用于根據(jù)獲得的目標(biāo)背景，檢測(cè)所述圖像序列中每一幀圖像的交通運(yùn)動(dòng)目標(biāo)；
特征描述子獲得模塊，用于提取所述圖像序列中每一幀圖像的交通運(yùn)動(dòng)目標(biāo)的特征點(diǎn)，獲得相應(yīng)的特征描述子；
視覺詞典形成模塊，用于將所述圖像序列的每一幀圖像的特征描述子進(jìn)行聚類，形成視覺詞典，每個(gè)聚類中心對(duì)應(yīng)所述視覺詞典中的一個(gè)視覺單詞；
交通運(yùn)動(dòng)目標(biāo)分類模塊，用于根據(jù)所述視覺詞典中每個(gè)視覺單詞出現(xiàn)的頻率，確定每一幀圖像中交通運(yùn)動(dòng)目標(biāo)的類別。
7.根據(jù)權(quán)利要求6所述的裝置，其特征在于，所述目標(biāo)背景獲得模塊，具體用于：
針對(duì)所述圖像序列的每一幀圖像的每一個(gè)像素點(diǎn)，根據(jù)該像素點(diǎn)的像素值，確定該像素點(diǎn)的當(dāng)前高斯分布；
將所述當(dāng)前高斯分布與預(yù)先建立的該像素點(diǎn)對(duì)應(yīng)的混合高斯模型中的每一個(gè)歷史高斯分布進(jìn)行匹配；
如果所述當(dāng)前高斯分布與所述混合高斯模型中的任意一個(gè)歷史高斯分布均不匹配，且所述歷史高斯分布的個(gè)數(shù)小于預(yù)設(shè)第一閾值，則將所述當(dāng)前高斯分布增加到所述混合高斯模型中；
如果所述當(dāng)前高斯分布與所述混合高斯模型中的任意一個(gè)歷史高斯分布均不匹配，且所述歷史高斯分布的個(gè)數(shù)等于所述預(yù)設(shè)第一閾值，則將所述當(dāng)前高斯分布替換所述混合高斯模型中優(yōu)先級(jí)最小的歷史高斯分布；
如果所述當(dāng)前高斯分布與所述混合高斯模型中的至少一個(gè)歷史高斯分布匹配，則更新歷史高斯分布的相應(yīng)參數(shù)；
根據(jù)更新后的混合高斯模型中高斯分布的優(yōu)先級(jí)，選擇權(quán)重值之和大于預(yù)設(shè)第二閾值的高斯分布，建立背景模型，獲得目標(biāo)背景。
8.根據(jù)權(quán)利要求6或7所述的裝置，其特征在于，所述交通運(yùn)動(dòng)目標(biāo)檢測(cè)模塊，具體用于：
針對(duì)所述圖像序列的每一幀圖像，根據(jù)獲得的該幀圖像的目標(biāo)背景，通過背景差分法獲得該幀圖像的運(yùn)動(dòng)前景區(qū)域；
在該幀圖像的運(yùn)動(dòng)前景區(qū)域中進(jìn)行交通運(yùn)動(dòng)目標(biāo)檢測(cè)。
9.根據(jù)權(quán)利要求8所述的裝置，其特征在于，所述交通運(yùn)動(dòng)目標(biāo)檢測(cè)模塊，具體用于：
針對(duì)所述圖像序列中連續(xù)的N幀圖像，對(duì)相隔一幀的兩幀圖像做差，得到多個(gè)幀差結(jié)果，所述N為預(yù)設(shè)值；
將每個(gè)幀差結(jié)果同中間幀和背景幀的幀差做與運(yùn)算，獲得多個(gè)與運(yùn)算結(jié)果；
將所有的與運(yùn)算結(jié)果進(jìn)行或運(yùn)算，將或運(yùn)算結(jié)果確定為交通運(yùn)動(dòng)目標(biāo)。
10.根據(jù)權(quán)利要求6所述的裝置，其特征在于，所述特征描述子獲得模塊，具體用于：
根據(jù)所述圖像序列構(gòu)建高斯金字塔圖像模型，獲得高斯差分金字塔圖像；
計(jì)算所述高斯差分金字塔圖像中的局部極值點(diǎn)，將計(jì)算得到的局部極值點(diǎn)確定為候選極值點(diǎn)，并計(jì)算相應(yīng)的尺度；
擬合所述候選極值點(diǎn)，獲得所述圖像序列中所述運(yùn)動(dòng)目標(biāo)的特征點(diǎn)的位置和尺度；
根據(jù)所述特征點(diǎn)的位置和尺度，確定所述特征點(diǎn)對(duì)應(yīng)的特征描述子。